15 KiB
Incidence du syndrôme grippal
Préface
Pour exécuter le code de cette analyse, il faut disposer des logiciels suivants:
Emacs 25 ou plus
Une version plus ancienne d'Emacs devrait suffire. Pour une version antérieure à 26, il faut installer une version récente (9.x) d'org-mode.
Python 3.6 ou plus
Nous utilisons le traitement de dates en format ISO 8601, qui a été implémenté en Python seulement avec la version 3.6.
import sys
if sys.version_info.major < 3 or sys.version_info.minor < 6:
print("Veuillez utiliser Python 3.6 (ou plus) !")(unless (featurep 'ob-python)
(print "Veuillez activer python dans org-babel (org-babel-do-languages) !"))R 3.4
Nous n'utilisons que des fonctionnalités de base du langage R, une version antérieure devrait suffire.
(unless (featurep 'ob-R)
(print "Veuillez activer R dans org-babel (org-babel-do-languages) !"))Préparation des données
Les données de l'incidence du syndrome grippal sont disponibles du site Web du Réseau Sentinelles. Nous les récupérons sous forme d'un fichier en format CSV dont chaque ligne correspond à une semaine de la période d'observation. Nous téléchargeons toujours le jeu de données complet (rien d'autre n'est proposé), qui commence en 1984 et se termine avec une semaine récente. L'URL est:
https://www.sentiweb.fr/datasets/incidence-PAY-3.csv
Voici l'explication des colonnes donnée sur le site d'origine:
| Nom de colonne | Libellé de colonne |
|---|---|
week |
Semaine calendaire (ISO 8601) |
indicator |
Code de l'indicateur de surveillance |
inc |
Estimation de l'incidence de consultations en nombre de cas |
inc_low |
Estimation de la borne inférieure de l'IC95% du nombre de cas de consultation |
inc_up |
Estimation de la borne supérieure de l'IC95% du nombre de cas de consultation |
inc100 |
Estimation du taux d'incidence du nombre de cas de consultation (en cas pour 100,000 habitants) |
inc100_low |
Estimation de la borne inférieure de l'IC95% du taux d'incidence du nombre de cas de consultation (en cas pour 100,000 habitants) |
inc100_up |
Estimation de la borne supérieure de l'IC95% du taux d'incidence du nombre de cas de consultation (en cas pour 100,000 habitants) |
geo_insee |
Code de la zone géographique concernée (Code INSEE) http://www.insee.fr/fr/methodes/nomenclatures/cog/ |
geo_name |
Libellé de la zone géographique (ce libellé peut être modifié sans préavis) |
L'indication d'une semaine calendaire en format ISO-8601 est populaire en Europe, mais peu utilisée aux Etats-Unis. Ceci explique peut-être que peu de logiciels savent gérer ce format. Le langage Python le fait depuis la version 3.6. Nous utilisons donc ce langage pour la préparation de nos données, ce qui a l'avantage de ne nécessiter aucune bibliothèque supplémentaire. (Note: nous expliquerons dans le module 4 pourquoi il est avantageux pour la réproductibilité de se limiter à un minimum de bibliothèques.)
Téléchargement
Après avoir téléchargé les données, nous commençons par l'extraction des données qui nous intéressent. D'abord nous découpons le contenu du fichier en lignes, dont nous jetons la première qui ne contient qu'un commentaire. Les autres lignes sont découpées en colonnes.
import os
from urllib.request import urlopen
#data = None
if os.path.exists("incidence-PAY-3.csv"):
with open("incidence-PAY-3.csv", 'r', encoding='latin') as file:
data = "".join(file.readlines())
lines = data.strip().split('\n')
print('Reading locally')
else:
data = urlopen(data_url).read()
lines = data.decode('latin-1').strip().split('\n')
print("Downloading the file")
data_lines = lines[1:]
table = [line.split(',') for line in data_lines]Downloading the file
Regardons ce que nous avons obtenu:
table[:5]| week | indicator | inc | inc_low | inc_up | inc100 | inc100_low | inc100_up | geo_insee | geo_name |
| 202245 | 3 | 46092 | 39549 | 52635 | 70 | 60 | 80 | FR | France |
| 202244 | 3 | 34713 | 28880 | 40546 | 52 | 43 | 61 | FR | France |
| 202243 | 3 | 44769 | 36884 | 52654 | 68 | 56 | 80 | FR | France |
| 202242 | 3 | 47462 | 40773 | 54151 | 72 | 62 | 82 | FR | France |
Recherche de données manquantes
Il y a malheureusement beaucoup de façon d'indiquer l'absence d'un point de données. Nous testons ici seulement pour la présence de champs vides. Il faudrait aussi rechercher des valeurs non-numériques dans les colonnes à priori numériques. Nous ne le faisons pas ici, mais une vérification ultérieure capterait des telles anomalies.
Nous construisons un nouveau jeu de données sans les lignes qui contiennent des champs vides. Nous affichons ces lignes pour en garder une trace.
valid_table = []
for row in table:
missing = any([column == '' for column in row])
if missing:
print(row)
else:
valid_table.append(row)['198919', '3', '0', '', '', '0', '', '', 'FR', 'France']
Extraction des colonnes utilisées
Il y a deux colonnes qui nous intéressent: la première ("week") et la troisième ("inc"). Nous vérifions leurs noms dans l'en-tête, que nous effaçons par la suite. Enfin, nous créons un tableau avec les deux colonnes pour le traitement suivant.
week = [row[0] for row in valid_table]
assert week[0] == 'week'
del week[0]
inc = [row[2] for row in valid_table]
assert inc[0] == 'inc
del inc[0]
data = list(zip(week, inc))
Regardons les premières et les dernières lignes. Nous insérons None pour indiquer à org-mode la séparation entre les trois sections du tableau: en-tête, début des données, fin des données.
[('week', 'inc'), None] + data[:5] + [None] + data[-5:]| week | inc |
|---|---|
| 202245 | 47116 |
| 202244 | 33923 |
| 202243 | 44769 |
| 202242 | 47462 |
| 202241 | 48583 |
| 198448 | 78620 |
| 198447 | 72029 |
| 198446 | 87330 |
| 198445 | 135223 |
| 198444 | 68422 |
Vérification
Il est toujours prudent de vérifier si les données semblent crédibles. Nous savons que les semaines sont données par six chiffres (quatre pour l'année et deux pour la semaine), et que les incidences sont des nombres entiers positifs.
for week, inc in data:
if len(week) != 6 or not week.isdigit():
print("Valeur suspecte dans la colonne 'week': ", (week, inc))
if not inc.isdigit():
print("Valeur suspecte dans la colonne 'inc': ", (week, inc))Pas de problème !
Conversions
Pour faciliter les traitements suivants, nous remplaçons les numéros de semaine ISO par les dates qui correspondent aux lundis. A cette occasion, nous trions aussi les données par la date, et nous transformons les incidences en nombres entiers.
import datetime
converted_data = [(datetime.datetime.strptime(year_and_week + ":1" , '%G%V:%u').date(),
int(inc))
for year_and_week, inc in data]
converted_data.sort(key = lambda record: record[0])Regardons de nouveau les premières et les dernières lignes:
str_data = [(str(date), str(inc)) for date, inc in converted_data]
[('date', 'inc'), None] + str_data[:5] + [None] + str_data[-5:]| date | inc |
|---|---|
| 1984-10-29 | 68422 |
| 1984-11-05 | 135223 |
| 1984-11-12 | 87330 |
| 1984-11-19 | 72029 |
| 1984-11-26 | 78620 |
| 2022-10-10 | 48583 |
| 2022-10-17 | 47462 |
| 2022-10-24 | 44769 |
| 2022-10-31 | 33923 |
| 2022-11-07 | 47116 |
Vérification des dates
Nous faisons encore une vérification: nos dates doivent être séparées d'exactement une semaine, sauf autour du point manquant.
dates = [date for date, _ in converted_data]
for date1, date2 in zip(dates[:-1], dates[1:]):
if date2-date1 != datetime.timedelta(weeks=1):
print(f"Il y a {date2-date1} entre {date1} et {date2}")Il y a 14 days, 0:00:00 entre 1989-05-01 et 1989-05-15
Passage Python -> R
Nous passons au langage R pour inspecter nos données, parce que l'analyse et la préparation de graphiques sont plus concises en R, sans nécessiter aucune bibliothèque supplémentaire.
Nous utilisons le mécanisme d'échange de données proposé par org-mode, ce qui nécessite un peu de code Python pour transformer les données dans le bon format.
[('date', 'inc'), None] + [(str(date), inc) for date, inc in converted_data]data$date <- as.Date(data$date)
summary(data)
date inc
Min. :1984-10-29 Min. : 0
1st Qu.:1994-05-07 1st Qu.: 5171
Median :2003-11-06 Median : 16100
Mean :2003-11-05 Mean : 59562
3rd Qu.:2013-05-07 3rd Qu.: 47769
Max. :2022-11-07 Max. :1001824
Inspection
Regardons enfin à quoi ressemblent nos données !
plot(data, type="l", xlab="Date", ylab="Incidence hebdomadaire")
Un zoom sur les dernières années montre mieux la situation des pics en hiver. Le creux des incidences se trouve en été.
plot(tail(data, 200), type="l", xlab="Date", ylab="Incidence hebdomadaire")
Étude de l'incidence annuelle
Calcul de l'incidence annuelle
Étant donné que le pic de l'épidémie se situe en hiver, à cheval entre deux années civiles, nous définissons la période de référence entre deux minima de l'incidence, du 1er août de l'année N au 1er août de l'année N+1. Nous mettons l'année N+1 comme étiquette sur cette année décalée, car le pic de l'épidémie est toujours au début de l'année N+1. Comme l'incidence du syndrome grippal est très faible en été, cette modification ne risque pas de fausser nos conclusions.
Voici une fonction qui calcule l'incidence annuelle en appliquant ces conventions.
pic_annuel = function(annee) {
debut = paste0(annee-1,"-08-01")
fin = paste0(annee,"-08-01")
semaines = data$date > debut & data$date <= fin
sum(data$inc[semaines], na.rm=TRUE)
}Nous devons aussi faire attention aux premières et dernières années de notre jeux de données. Les données commencent en octobre 1984, ce qui ne permet pas de quantifier complètement le pic attribué à l'année 1985. Nous le supprimons donc de notre analyse. Pour la même raison, nous arrêtons en 2018. Nous devons attendre les données pour juillet 2019 avant d'augmenter la dernière année à 2019.
annees <- 1986:2021 # Au préalable, arrêt en 2018 pour 2019,
# donc arrêt en 2021 pour 2022inc_annuelle = data.frame(annee = annees,
incidence = sapply(annees, pic_annuel))
head(inc_annuelle)| 1986 | 5100540 |
| 1987 | 2861556 |
| 1988 | 2766142 |
| 1989 | 5460155 |
| 1990 | 5233987 |
| 1991 | 1660832 |
tail(inc_annuelle)| 2016 | 2857239 |
| 2017 | 2321148 |
| 2018 | 2704117 |
| 2019 | 2254675 |
| 2020 | 2011122 |
| 2021 | 748872 |
Inspection
Voici les incidences annuelles en graphique.
plot(inc_annuelle, type="p", xlab="Année", ylab="Incidence annuelle")
Identification des épidémies les plus fortes
Une liste triée par ordre décroissant d'incidence annuelle permet de plus facilement repérer les valeurs les plus élevées:
head(inc_annuelle[order(-inc_annuelle$incidence),])annee incidence 4 1989 5460155 5 1990 5233987 1 1986 5100540 28 2013 4182265 25 2010 4085126 14 1999 3897443
Enfin, un histogramme montre bien que les épidémies fortes, qui touchent environ 10% de la population française, sont assez rares: il y en eu trois au cours des 35 dernières années.
hist(inc_annuelle$incidence, breaks=10, xlab="Incidence annuelle", ylab="Nb d'observations", main="")